<rss xmlns:atom="http://www.w3.org/2005/Atom" version="2.0"><channel><title>逻辑回归 - 标签 - 研发日志 · R&amp;D Log</title><link>https://rd163.visword.com/tags/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92/</link><description>逻辑回归 - 标签 - 研发日志 · R&amp;D Log</description><generator>Hugo -- gohugo.io</generator><language>zh-CN</language><managingEditor>whutluohui@gmail.com (小智晖)</managingEditor><webMaster>whutluohui@gmail.com (小智晖)</webMaster><copyright>本作品采用知识共享署名-非商业性使用 4.0 国际许可协议进行许可。</copyright><lastBuildDate>Sat, 26 Apr 2025 00:00:00 +0800</lastBuildDate><atom:link href="https://rd163.visword.com/tags/%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92/" rel="self" type="application/rss+xml"/><item><title>逻辑回归</title><link>https://rd163.visword.com/posts/logistic-regression/</link><pubDate>Sat, 26 Apr 2025 00:00:00 +0800</pubDate><author><name>小智晖</name></author><guid>https://rd163.visword.com/posts/logistic-regression/</guid><description>&lt;p>Logistic Regression 虽然被称为「回归」，但其实际上是一个&lt;strong>分类模型&lt;/strong>，并最常用于二分类（binary classification）。它因模型简单、可并行化、可解释性强，且训练和推理代价都较低，在广告点击率预估、风控、医疗诊断等工业场景中至今仍被广泛使用，常常作为强基线（strong baseline）出现。&lt;/p></description></item></channel></rss>